Data Quality

Data Governance

Certificare la qualità del dato

Industries:

Finance & Insurance - Retail & GDO - Transportation - Energy & Utility - Life Science - Industrial

Solutions:

Data Governance

Technologies:

Blindata

Contesto

Il successo delle aziende è sempre più legato ad un intenso utilizzo dei dati. L’approccio “data driven”, se non “algorithm driven” sembra essere vincente. Il suo successo è però strettamente vincolato alla disponibilità di dati di buona qualità, dove la qualità è definita come adeguatezza allo scopo. In particolare il DMbok individua 6 dimensioni della qualità: Completezza, Unicità, Tempestività, Validità, Accuratezza, Consistenza, ciascuno dei quali deve essere analizzato e declinato in relazione al contesto e ai bisogni di ogni singola azienda.

Il costante monitoraggio dei dati “chiave” utilizzati nella definizione delle strategie aziendali è un primo punto per garantire decisioni corrette. Nei contesti dinamici che caratterizzano il mercato in questi ultimi anni poter contare su dati di qualità è la chiave per reagire al cambiamento in maniera tempestiva, sfruttare le opportunità fornite dalla nuove tecnologie e renderle funzionali all’ottenimento del successo.

Punti critici

I danni causati da una scarsa qualità dei dati sono molteplici:

decisioni errate
incomprensioni
scarsa fiducia nei dati e nei processi
inefficienza nei processi di Data Management legata alle attività di bonifica dei dati
potenziali sanzioni
danno reputazionale

3% of the data

in a business enterprise meets quality standards

Harvard Business Review

26% of the time

spent in date cleansing

Anaconda

Soluzione

L’approccio alla Data Quality prevede due diverse prospettive, una più vicina al Business, che analizza le issue di Data Quality, ne valuta gli impatti e stabilisce la priorità per i controlli di qualità da implementare, e una seconda più vicina all’IT, che si occupa degli aspetti implementativi, individuando i punti e le modalità più opportuni per l’esecuzione dei controlli, curandone lo sviluppo, testandoli e rilasciandoli in produzione.

I controlli vengono eseguiti da Agent locali sulle diverse componenti della Data Platform, con logiche e frequenze variabili. L’esito viene raccolto e storicizzato all’interno dell’applicazione di Data Governance che provvede ad inviare le notifiche ai diversi owner. La Data Quality può essere approcciata come progetto “Stand-alone”, ma è in grado di sviluppare forti sinergie se pensata all’interno della progettazione di un più ampio framework di Data Governance.

Percorso completo

1. Design

Definizione dei ruoli e delle priorità nella gestione della qualità del dato. Implementazione di un subset dei controlli di qualità, monitoraggio dell’esito dei controlli.

2. Land

Definizione del piano di implementazione dei controlli di qualità, valutazione delle issue di data quality sul Business.

3. Optimize

Definizione degli interventi di miglioramento della qualità, sulla base delle evidenze fornite dai controlli implementati. Misurazione dell’effetto degli interventi.

Vantaggi

Maggiore fiducia nei dati e nei processi

Impatto positivo sui processi decisionali, in termini di qualità e rapidità

Ottimizzazione delle risorse dedicate al Data Management/Data Cleansing

Riduzione dei rischi di non compliance normativa

Events

Hybrid Event

IKN Utility Day 2021

Data e ora: 24/11/2021

Quantyca ha partecipato a IKN – Utility Day, la Main Conference di novembre con focus sulla mappa della trasformazione digitale, culturale e tecnologica delle Utility Italiane. Francesco Gianferrari Pini, Co-Founder di...

Scopri

Video Talk

CDO – Chief Data Officer 2021

Data e ora: 30/06/2021

Quantyca ha partecipato a CDO 2021, l’evento organizzato da IKNItaly, con l’intervento di Andrea Gioia, CTO & Partner Quantyca, nel quale ha affrontato il tema delle sfide dell’IT nel periodo post-pandemico, e di...

Scopri